本发明涉及一种多无人机协同快速覆盖搜索航迹规划方法，尤其涉及一种针对具有点线面目标特殊灰色区域的多无人机协同快速覆盖搜索航迹规划方法，属于无人机航迹规划领域。
背景技术：
：无人机(UnmannedAerialVehicle,UAV)以其体积小、机动性强、价格低廉、起飞灵活、毁伤无人员伤亡、空勤保障简单等优点，成为执行枯燥、恶劣和危险任务的最佳选择，广泛应用于战场侦察、对地攻击、地形测绘以及海上搜救等领域，并且发挥了重大作用。由于作战区域进行目标搜索和情报侦察已经成为当前战场信息获取的重要手段，并且在信息化战场中对目标的精确打击很大程度上取决于在打击之前的侦察，因此在无人机能够执行的各种任务中，侦察和搜索任务是无人机系统最主要的作战任务。随着科学技术的发展和信息化网络化战争的不断深化，任务不断加重，单无人机所能发挥的作战效能极为有限，采用多无人机协同搜索的方式可以有效提高搜索效率、缩短搜索时间，弥补单无人机的缺陷。相比单架无人机，多无人机协同执行任务具有很多优势。当无人机出现故障或损毁时，可以重新分配任务从而避免任务失败而贻误战机甚至破坏整个作战计划；多无人机还可以从多个不同方位对目标区域进行观测，在很大程度上避免遗漏或者丢失目标；多无人机协同搜索和侦察的范围将增大，能够提高按计划和要求圆满完成预定任务的概率。针对无人机区域覆盖搜索航迹规划问题，目前国内外开展了较为广泛的研究，传统方法以搜索论为基础，以最大化目标发现概率的角度，设计覆盖任务区域的搜索航线。另外采用基于图的方法，如概率图、信息素视图等，这种方法都是采用某种机制来构造一个可以反映目标和环境信息的二维离散地图，随着无人机搜索的进行，搜索图不断更新，这种方法能够有效利用实时探测信息，适合动态搜索过程。针对信息完全未知的灰色区域，主要采用光栅线的方式，即无人机沿着直线飞行，在搜索区域边界处转弯向反方向沿平行直线飞行，如此进行反复搜索，覆盖整个待搜索区域。这种搜索方式无人机转弯次数少，飞行直线距离长，能够极大减少无人机转弯时飞行姿态变化引起的摄像视场图像畸变特征。目前，国内外还未有学者研究具有点状、线状和面状重点目标的灰色区域的覆盖搜索航迹规划方法。技术实现要素：针对具有点线面目标特殊灰色区域的多无人机协同快速覆盖搜索航迹规划问题，本发明公开的一种多无人机协同快速覆盖搜索航迹规划方法，要解决的技术问题是提供一种能够为多无人机规划出满足飞行约束和特定性能的快速覆盖搜索航迹规划方法，所述的航迹规划方法具有覆盖时间短、算法鲁棒性高的优点，而且规划出的覆盖搜索航迹能够有效代替区域全覆盖搜索航迹。本发明的目的是通过下述技术方案实现的。本发明公开的一种多无人机协同快速覆盖搜索航迹规划方法，首先根据战场环境的先验信息和目标存在区域的几何特征，将灰色区域提取为点目标、线目标和面目标三种类型的重点搜索目标，然后采用双编码对策整数遗传算法确定各个重点搜索目标的访问顺序。最后针对重点搜索目标和无人机的分配顺序，考虑到无人机转弯半径约束和求解时间要求，采用Dubins路径和贪婪策略得到无人机从当前目标覆盖搜索航迹结束点到达下一搜索目标覆盖搜索航迹起始点之间的局部最短连接航迹，得出下一搜索目标的覆盖搜索航迹，从而得到多无人机协同覆盖搜索航迹，即完成多无人机协同快速覆盖搜索航迹规划。所述的三种类型的重点搜索目标的覆盖搜索航迹分为点目标类型的覆盖搜索航迹、线目标类型的覆盖搜索航迹、面目标类型的覆盖搜索航迹。点目标类型的覆盖搜索航迹。对于无方向约束点目标，只需要无人机视场中心穿越点目标即得出无方向约束点目标的覆盖搜索航迹；对于有方向约束点目标，无人机视场中心沿特定方向穿越点目标即为有方向约束点目标的覆盖搜索航迹。线目标类型的覆盖搜索航迹。由于线目标长度远远大于无人机视场宽度，而线目标宽度又小于无人机视场宽度，因此，线目标的覆盖搜索航迹即为线目标的几何线段，无人机从线目标的任一端点沿着目标几何线段方向搜索至线目标另一端点即完成线目标覆盖搜索。面目标类型的覆盖搜索航迹。面目标在长度和宽度方向上都远远大于无人机视场宽度，无人机需要来回往复覆盖搜索才能完成对面目标的搜索。将面目标的顶点作为面目标的覆盖搜索起始点，面目标的长度或宽度方向作为覆盖搜索起始方向，无人机从起始点和起始方向采用来回往复覆盖搜索方式产生不同的覆盖搜索航迹，即得到面目标的覆盖搜索航迹。本发明公开的一种多无人机协同快速覆盖搜索航迹规划方法，包括如下步骤：步骤一，点线面特殊目标的覆盖搜索航迹。无人机导引头地面视场受其飞行高度、姿态角以及导引头安装角的影响，将无人机视为质点，并假设导引头地面视场为圆形并且位于无人机正下方，无人机在固定高度飞行且其地面视场不受姿态角和地形起伏的影响。无人机对目标的探测概率与无人机的导引头对目标的探测时间相关。根据战场环境的先验信息和目标存在区域的几何特征，将灰色区域提取为点目标、线目标和面目标三种类型的重点搜索目标。对于点目标，当无人机视场中心穿过目标时，无人机对目标的探测时间最长，探测概率最大。覆盖搜索航迹根据特殊目标类型分为点目标的覆盖搜索航迹、线目标的覆盖搜索航迹、面目标的覆盖搜索航迹。步骤1.1：点目标的覆盖搜索航迹。对于无方向约束点目标，只需要无人机视场中心穿越点目标即得出无方向约束点目标的覆盖搜索航迹；对于有方向约束点目标，无人机视场中心沿特定方向穿越点目标即为有方向约束点目标的覆盖搜索航迹。步骤1.2：线目标的覆盖搜索航迹。由于线目标长度远远大于无人机视场宽度，而线目标宽度又小于无人机视场宽度，因此，线目标的覆盖搜索航迹即为线目标的几何线段，无人机从线目标的任一端点沿着目标几何线段方向搜索至线目标另一端点即完成线目标覆盖搜索。步骤1.3：面目标的覆盖搜索航迹。面目标在长度和宽度方向上都远远大于无人机视场宽度，无人机需要来回往复覆盖搜索才能完成对面目标的搜索。将面目标的顶点作为面目标的覆盖搜索起始点，面目标的长度或宽度方向作为覆盖搜索起始方向，无人机从起始点和起始方向采用来回往复覆盖搜索方式产生不同的覆盖搜索航迹，即得到面目标的覆盖搜索航迹。针对面目标，所述的来回往复覆盖搜索常用的有Z形搜索和螺旋搜索。由于简单的螺旋搜索模式在存在最小转弯半径约束下存在漏扫，而基于Z形搜索模式能够无漏扫地完成面目标的覆盖搜索，优选Z形搜索，Z形搜索有不同的名称，如剪草机式搜索、播种机式搜索、磨冰式搜索、光栅式搜索、扫描线搜索等等。步骤二，最短连接航迹。无人机受其动力学约束，采用Dubins模型将无人机的动力学约束简化为运动几何学约束，并假定无人机以恒定的速度在不同高度飞行以避免碰撞，建立无人机的运动学模型如公式(1)。其中，v是无人机的飞行速度，rmin是无人机的最小转弯半径，c是控制量输入，如果c＝1代表无人机向左转弯，c＝-1代表无人机向右转弯。考虑无人机转弯角，无人机从任意初始状态(xinitial,yinitial,θinitial)到达任意终端状态(xfinal,yfinal,θfinal)的航迹为以最小转弯半径rmin为半径的圆弧和直线段的组合。根据终端状态约束，最短连接航迹分为有终端方向约束和无终端约束的Dubins路径。对于有终端方向约束的Dubins路径，R表示目标顺时针转弯圆弧，L表示逆时针转弯圆弧，S表示直线段，则最短的Dubins路径为D＝{RSL,LSR,RSR,LSL,RLR,LRL}中的一种。对于无终端方向约束的Dubins路径，最短连接航迹为一段圆弧或者为一段圆弧和直线段的组合，最短路径集合为D＝{LS,RL,RS,L}。步骤三，建立具有点线面目标的特殊灰色区域覆盖搜索目标分配模型。覆盖搜索目标分配是组合优化问题，基于组合优化问题建立具有点线面目标的特殊灰色区域覆盖搜索目标分配模型，优化目标是无人机编队获得最大的侦察搜索效能，使得无人机编队能够用尽可能小的消耗完成覆盖搜索任务。所述的最大的侦察搜索效能体现在任务耗时和所有无人机耗时两方面。所述的步骤三具体实现方法为：假设NU架无人机NT个包含有点线面三种类型的目标集合这些多异构目标分配给无人机编队协同搜索，根据公式(2)计算目标函数。其中α,β∈[0,1]是相应子目标的权重因子，并且α+β＝1。公式(3)计算相应无人机完成各自搜索任务所需要的时间tu。tu等于无人机的搜索距离除以其恒定的巡航速度vu。其中NV＝NU+NT表示无人机处于的节点状态，w(qi,qj)表示无人机两个节点状态之间的航迹长度，该航迹长度包括无人机的对相应目标的覆盖搜索航迹长度。是二进制决策变量，如果(qi,qj)代表无人机Uu∈U从节点状态qi到达qj，决策变量等于1，否则等于0。公式(4)、(5)限定每个目标只需一架无人机搜索即可。步骤四，单个无人机覆盖搜索航迹长度计算。假设某无人机被分配搜索m个目标序列{T1,T2,…,Tm}，其搜索航迹总长度包括四部分，第一部分为起始点和第一个目标之间的Dubins路径长度，第二部分为剩余相邻目标之间的最短Dubins路径之和，第三部分为所有的目标覆盖搜索航迹长度之和，第四部分为无人机返回起始点的路径长度。单个无人机覆盖搜索航迹长度为前述四部分路径长度之和。所述的步骤四中单个无人机覆盖搜索航迹长度计算具体实现方法为，利用公式(6)求解无人机覆盖搜索路径长度。其中(x0,y0)是无人机起始位置，θ0为无人机的起始速度方向，(xj,yj)是第j个目标的位置，θj是无人机在(xj,yj)处的方向。d((xj,yj,θj),(xj+1,yj+1,θj+1)是两节点状态(xj,yj,θj)和(xj+1,yj+1,θj+1)之间的Dubins路径。lj是目标j的覆盖搜索航迹长度。d((xm,ym,θm)，(x0,y0))是无人机最后一个目标返回起始位置的距离。d((xj,yj,θj),(xj+1,yj+1,θj+1)根据有方向约束点目标、无方向约束点目标、线目标、面目标四种目标类型对应四种计算方法。由于面目标有四条备选航迹，根据贪婪策略，从中选择最短航迹作为连接航迹。步骤五，定制双编码染色体。遗传算法的染色体通常采用的编码方式是二进制编码，然而在目标分配问题中，二进制编码方式不能够直观地表示目标无人机匹配关系，而十进制编码方式一方面能够直观表示目标无人机匹配关系，另一方面十进制编码方式在进行遗传操作时能够满足染色体编码之间的约束。所述的步骤五定制双编码染色体优选十进制双编码染色体，定制十进制双编码染色体具体实现方法为，染色体1用来表示目标的访问顺序，染色体2表示搜索顺序间隔点，这些间隔点将染色体1分为多个基因段，每个基因段将表示每个无人机的搜索目标顺序。染色体1的的取值范围为1，2，…，NT，基因个数为NT，染色体2的基因个数为NU-1。假设有10个目标和4架无人机，染色体1为(1,2,3,4,5,6,7,8,9,10)，根据染色体2的不同目标分配问题包括以下几种典型的分配案例，不同案例情况下各无人机的目标分配结果如表1所示。例1:染色体1：(1,2,3,4,5,6,7,8,9,10)染色体2：(3,5,8)例2:染色体1：(1,2,3,4,5,6,7,8,9,10)染色体2：(0,5,8)例3:染色体1：(1,2,3,4,5,6,7,8,9,10)染色体2：(4,7,10)例4:染色体1：(1,2,3,4,5,6,7,8,9,10)染色体2：(4,4,7)例5:染色体1：(1,2,3,4,5,6,7,8,9,10)染色体2：(4,4,4)表1各无人机的目标分配结果例UAV1UAV2UAV3UAV41(1,2,3)(4,5)(6,7,8)(9,10)2()(1,2,3,4,5)(6,7,8)(9,10)3(1,2,3,4)(5,6,7)(8,9,10)()4(1,2,3,4)()(5,6,7)(8,9,10)5(1,2,3,4)()()(5,6,7,8,9,10)步骤六，设定多变异算子增加遗传变异的多样性。由于步骤五中定制的染色体为双编码染色体，单变异算子只能作用单个的染色体，同时为增加变异的多样性，将多变异算子组合对染色体进行变异操作，以此求解步骤四中建立的多无人机目标分配模型。多变异算子包括转换算子、交换算子和滑动算子。步骤七，优化求解具有点线面目标的特殊灰色区域覆盖搜索航迹。采用双编码染色体和多变异算子的对策遗传算法求解点线面目标的特殊灰色区域覆盖搜索航迹，包括如下步骤：步骤7.1：种群初始化；步骤7.2：适应度函数计算。采用步骤三中建立的目标分配模型计算种群中个体适应度函数；步骤7.3：轮盘赌选择父代个体；步骤7.4：交叉；步骤7.5：变异。采用步骤六中的多变异算子对步骤五中的双编码染色体进行变异操作；步骤7.6：对策计算；步骤7.7：种群更新；步骤7.8：种群进化，循环步骤7.2至步骤7.7。步骤7.9：迭代终止，根据最优目标分配结果求取具有点线面目标的特殊灰色区域覆盖搜索航迹。有益效果：1、本发明公开的一种多无人机协同快速覆盖搜索航迹规划方法，能够解决具有点线面目标的特殊灰色区域的多无人机协同覆盖搜索航迹规划问题。2、本发明公开的一种多无人机协同快速覆盖搜索航迹规划方法，能够根据目标特性和事先情报信息提取出重点搜索区域，能够缩减区域搜索范围，而且规划出的覆盖搜索航迹能够有效代替区域全覆盖搜索航迹，从而减少区域覆盖时间。3、本发明公开的一种多无人机协同快速覆盖搜索航迹规划方法，将多变异算子和对策计算融入到遗传算法中，采用的多变异算子能够增多种群的多样性，对策计算能够增强遗传算法的全局搜索能力，从而提高本方法鲁棒性。附图说明图1为无人机视场模型示意图；图2为线目标覆盖搜索示意图；图3为面目标覆盖搜索示意图；图4a为终端方向约束的Dubins路径RSL；图4b为终端方向约束的Dubins路径LSR；图4c为终端方向约束的Dubins路径RSR；图4d为终端方向约束的Dubins路径LSL；图4e为终端方向约束的Dubins路径RLR；图4f为终端方向约束的Dubins路径LRL；图5a为终端方向无约束的Dubins路径LS；图5b为终端方向无约束的Dubins路径RL；图5c为终端方向无约束的Dubins路径L；图5d为终端方向无约束的Dubins路径LS或RS；图6a为UAV1的目标分配；图6b为UAV2的目标分配；图6c为UAV1和UAV2覆盖搜索目标相应的航迹长度；图7为终端方向约束点目标的连接航迹示意图；图8为终端方向无约束点目标的连接航迹示意图；图9为线目标的连接航迹示意图；图10为面目标的连接航迹示意图；图11为转换算子操作示意图；图12为交换算子操作示意图；图13为滑动算子操作示意图；图14为双编码染色体和多变异算子的对策遗传算法操作步骤；图15a为场景1下覆盖搜索航迹规划结果；图15b为场景2下覆盖搜索航迹规划结果；图15c为场景3下覆盖搜索航迹规划结果；图15d为场景4下覆盖搜索航迹规划结果；图16为具有点线面目标特殊区域覆盖搜索航迹规划结果箱线图。具体实施方式为了更好地说明本发明的目的与优点，下面通过仿真计算对比试验，结合表格、附图对本发明做进一步说明，并通过与传统优化方法结果比较，对本发明的综合性能进行验证分析。为验证所提方法的有效性，分别采用本发明提出算法(OGA-DEMMO)、传统遗传算法(简记为GA)、随机算法(RandomSearch)求解多无人机目标分配问题。仿真硬件为Intel(R)Core(TM)2DuoCPUE75002.93GHz、4G内存，仿真环境为MATLAB。实施例中所有的数据采用归一化方式，并且假定任务区域大小为[0,100]×[0,100]，种群的规模均取50，最大迭代次数取50，交叉概率Pc＝0.9，变异概率Pm＝0.05，反向概率Po＝0.9，权重系数α和β都是0.5，无人机的转弯半径都为4。实施例一通过四种不同的场景来说明本实施例公开的一种多无人机协同快速覆盖搜索航迹规划方法可行性和算法的有效性。场景一到场景四中目标的类型和数量逐渐增多，其具体类型数量如表2所示。表2四种场景的描述步骤一，点线面特殊目标的覆盖搜索航迹。无人机导引头地面视场受其飞行高度、姿态角以及导引头安装角的影响，将无人机视为质点，并假设导引头地面视场为圆形并且位于无人机正下方，无人机在固定高度飞行且其地面视场不受姿态角和地形起伏的影响。据此建立无人机视场模型如图1所示。无人机对目标的探测概率与其导引头对目标的探测时间相关。根据战场环境的先验信息和目标存在区域的几何特征，将灰色区域提取为点目标、线目标和面目标三种类型的重点搜索目标。对于点目标，当其视场中心穿过目标时，无人机对目标的探测时间最长，探测最大。覆盖搜索航迹根据特殊目标类型分为点目标的覆盖搜索航迹、线目标的覆盖搜索航迹、面目标的覆盖搜索航迹。步骤1.1：点目标的覆盖搜索航迹。对于无方向约束点目标，只需要无人机视场中心穿越点目标即得出无方向约束点目标的覆盖搜索航迹；对于有方向约束点目标，无人机视场中心沿特定方向穿越点目标即为有方向约束点目标的覆盖搜索航迹。步骤1.2：线目标的覆盖搜索航迹。由于线目标长度远远大于无人机视场宽度，而线目标宽度又小于无人机视场宽度，因此，线目标的覆盖搜索航迹即为线目标的几何线段，无人机从线目标的任一端点(L1或L2)沿着目标几何线段方向搜索至线目标另一端点(L2或L1)即完成线目标覆盖搜索，如图2所示。步骤1.3：面目标的覆盖搜索航迹。面目标在长度和宽度方向上都远远大于无人机视场宽度，无人机需要来回往复覆盖搜索才能完成对面目标的搜索。将面目标的顶点作为面目标的覆盖搜索起始点，面目标的长度方向作为覆盖搜索起始方向，无人机从起始点(Pentry)和起始方向采用来回往复覆盖搜索方式产生不同的覆盖搜索航迹，即得到面目标的覆盖搜索航迹。针对面目标，所述的来回往复覆盖搜索常用的有Z形搜索和螺旋搜索。由于简单的螺旋搜索模式在存在最小转弯半径约束下存在漏扫，而基于Z形搜索模式能够无漏扫地完成面目标的覆盖搜索，优选Z形搜索，Z形搜索有不同的名称，如剪草机式搜索、播种机式搜索、磨冰式搜索、光栅式搜索、扫描线搜索等等，如图3所示。步骤二，求解最短连接航迹。无人机受其动力学约束，采用Dubins模型将无人机的动力学约束简化为运动几何学约束，并假定无人机以恒定的速度在不同高度飞行以避免碰撞，建立无人机的运动学模型如下其中，v是无人机的飞行速度，rmin是无人机的最小转弯半径，c是控制量输入，如果c＝1代表无人机向左转弯，c＝-1代表无人机向右转弯。考虑无人机转弯角，无人机从任意初始状态(xinitial,yinitial,θinitial)到达任意终端状态(xfinal,yfinal,θfinal)的航迹为以最小转弯半径rmin为半径的圆弧和直线段的组合。根据终端状态约束，最短连接航迹分为有终端方向约束和无终端约束的Dubins路径。对于有终端方向约束的Dubins路径，R表示目标顺时针转弯圆弧，L表示逆时针转弯圆弧，S表示直线段，则最短的Dubins路径为D＝{RSL,LSR,RSR,LSL,RLR,LRL}中的一种，如图4所示。对于无终端方向约束的Dubins路径，最短连接航迹为一段圆弧或者为一段圆弧和直线段的组合，最短路径集合为D＝{LS,RL,RS,L}，如图5所示。步骤三，建立具有点线面目标的特殊灰色区域覆盖搜索目标分配模型。覆盖搜索目标分配是组合优化问题，基于组合优化问题建立具有点线面目标的特殊灰色区域覆盖搜索目标分配模型，优化目标是无人机编队获得最大的侦察搜索效能，使得无人机编队能够用尽可能小的消耗完成覆盖搜索任务。所述的最大的侦察搜索效能体现在任务耗时和所有无人机耗时两方面。所述的步骤三具体实现方法为：假设NU架无人机NT个包含有点线面三种类型的目标集合这些多异构目标分配给无人机编队协同搜索，根据公式(8)计算目标函数。其中α,β∈[0,1]是相应子目标的权重因子，并且α+β＝1。公式(9)计算相应无人机完成各自搜索任务所需要的时间tu。tu等于无人机的搜索距离除以其恒定的巡航速度vu。其中NV＝NU+NT表示无人机处于的节点状态，w(qi,qj)表示无人机两个节点状态之间的航迹长度，该航迹长度包括无人机的对相应目标的覆盖搜索航迹长度。是二进制决策变量，如果(qi,qj)代表无人机Uu∈U从节点状态qi到达qj，决策变量等于1，否则等于0。例如对于2架无人机和4个待搜索目标，一种可能的决策变量表示如图6所示。图6(a)表示无人机1覆盖搜索目标序列为{T1,T3}，图6(b)表示无人机2将覆盖搜索目标序列为{T2,T4}，图6(c)表示相应的路径长度。约定每个目标只需一架无人机搜索即可，因此，约束条件表示如下：步骤四，单个无人机覆盖搜索航迹长度计算。假设某无人机被分配搜索m个目标序列{T1,T2,…,Tm}，其搜索航迹总长度包括四部分，第一部分为起始点和第一个目标之间的Dubins路径长度，第二部分为剩余相邻目标之间的最短Dubins路径之和，第三部分为所有的目标覆盖搜索航迹长度之和，第四部分为无人机返回起始点的路径长度。单个无人机覆盖搜索航迹长度为前述四部分路径长度之和，如公式(12)所示。其中(x0,y0)是无人机起始位置，θ0为无人机的起始速度方向，(xj,yj)是第j个目标的位置，θj是无人机在(xj,yj)处的方向。d((xj,yj,θj),(xj+1,yj+1,θj+1)是两节点状态(xj,yj,θj)和(xj+1,yj+1,θj+1)之间的Dubins路径。lj是目标j的覆盖搜索航迹长度。d((xm,ym,θm)，(x0,y0))是无人机最后一个目标返回起始位置的距离。d((xj,yj,θj),(xj+1,yj+1,θj+1)根据目标的不同有以下四种计算法方式：(1)无方向约束点目标连接航迹如图7所示；(2)有方向约束点目标连接航迹如图8所示；(3)线目标的连接航迹如图9所示，两条航迹中较短的航迹被选为连接航迹；(4)面目标的连接航迹如图10所示，共有四条备选航迹，根据贪婪策略，从中选择最短航迹作为连接航迹。步骤五，定制双编码染色体。遗传算法的染色体通常采用的编码方式是二进制编码，然而在目标分配问题中，二进制编码方式不能够直观地表示目标无人机匹配关系，而十进制编码方式一方面能够直观表示目标无人机匹配关系，另一方面十进制编码方式在进行遗传操作时能够满足染色体编码之间的约束。所述的步骤五定制双编码染色体优选十进制双编码染色体，定制十进制双编码染色体具体实现方法为，染色体1用来表示目标的访问顺序，染色体2表示搜索顺序间隔点，这些间隔点将染色体1分为多个基因段，每个基因段将表示每个无人机的搜索目标顺序。染色体1的的取值范围为1，2，…，NT，基因个数为NT，染色体2的基因个数为NU-1。步骤六，设定多变异算子增加遗传变异的多样性。由于步骤五中定制的染色体为双编码染色体，单变异算子只能作用单个的染色体，同时为增加变异的多样性，将多变异算子组合对染色体进行变异操作，以此求解步骤四中建立的多无人机目标分配模型。多变异算子包括：(1)转换算子，如图11所示；(2)交换算子，如图12所示；(3)滑动算子，如图13所示。假设染色体1为(1,2,3,4,5,6)，染色体2为(2,4)，两个随机产生的位置为2和5，并且染色体2采用重新生成的方式变为(3,5)，八种组合的子代染色体如表3所示。表3八种子代染色体Casechromosome1chromosome21(1,2,3,4,5,6)(2,4)2(1,5,4,3,2,6)(2,4)3(1,5,3,4,2,6)(2,4)4(1,3,4,5,2,6)(2,4)5(1,2,3,4,5,6)(3,5)6(1,5,4,3,2,6)(3,5)7(1,5,3,4,2,6)(3,5)8(1,3,4,5,2,6)(3,5)步骤七，优化求解具有点线面目标的特殊灰色区域覆盖搜索航迹。采用双编码染色体和多变异算子的对策遗传算法求解点线面目标的特殊灰色区域覆盖搜索航迹，包括如下步骤：步骤7.1：种群初始化；步骤7.2：适应度函数计算。采用步骤三中建立的目标分配模型计算种群中个体适应度函数；步骤7.3：轮盘赌选择父代个体；步骤7.4：交叉；步骤7.5：变异。采用步骤六中的多变异算子对步骤五中的双编码染色体进行变异操作；步骤7.6：对策计算；步骤7.7：种群更新；步骤7.8：种群进化，循环步骤7.2至步骤7.7。步骤7.9：迭代终止，根据最优目标分配结果求取具有点线面目标的特殊灰色区域覆盖搜索航迹。其求解流程如图14所示，求解结果如图15所示，其规划结果统计如表4所示，箱线图如图16所示。表4优化求解数据统计结果表4中数据和图16表明与GA和RandomSearch相比，本发明在大多数情况下具有更好的性能。对于小规模问题的场景1和场景2，三种算法的求解结果基本相当。并且对于场景1、2和3，三种算法都能够找到同样的当前最优解。然而对于场景4，在100次测试中，只有本发明能够找到更优秀的结果，且求解结果的最大值和平均值都要优于GA和RandomSearch，表明本发明算法效果更好。此外，通过比较在100次测试中，能够找到当前最优解的次数，可以得出本发明方法都优于遗传算法和随机搜索算法，说明本发明能够更为有效求解特殊区域覆盖搜索航迹规划问题，具有更好的鲁棒性。以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例，用于解释本发明，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页1 2 3